Pathologically driven radiomic markers for advanced characterization of disease phenotype and response on radiographic imaging

Abstract

Medical diagnosis is essential to provide patients with the more adequate healthcare management and define how any planned treatment shall be conducted. For years, the method to construct medical knowledge, determine diagnoses, planning and evaluating treatment has been driven by a variable combination of intuition, systematic clinical experience and physiopathologic rationale. This scenario causes a patient is exposed to unnecessary medications or surgical interventions. Therefore, clinical decisions must be supported by evidence rather than expert beliefs or intuition, which translates into biomarkers coming from gene expression, serum levels, or imaging patterns. Among available information sources, medical imaging provides structural and functional information of the day-to-day disease evolution, being radiology and pathology the most widely used. Interpreting or integrating imaging observations with diagnosis, prognosis, or treatment reasoning is performed by a set of physician learned skills. However, not all information is easily available, particularly images may contain information that is not visually observable by an expert, but probably useful in the chain of medical processes and definitely not integrated within most clinical scenarios. Recently, the computerized-extraction of more advanced features from radiographic (radiomics) and histopathology (pathomics) images, has enabled improved disease characterization compared to visual inspection alone. On one hand, most of the radiomic analyses limited the amount of information to be captured by only looking at appearance. It is therefore essential to capture specific aspects of disease phenotype, it is important to capture advanced geometric patterns, and it is crucial to integrate different types of imaging descriptors. On the other hand, the complementarity between radiology and histopathology, which enriches comprehensive disease characterization, is in many cases lost because quantitative analyses of these modalities are usually performed in disconnected silos. Therefore, it is also important to leverage pathomics to drive radiomic features and determine associations between them. In this dissertation, we present the development and evaluation of pathologically driven radiomic descriptors for disease phenotype as well as treatment response on radiographic imaging, towards addressing specific challenges. We investigate the utility of these descriptors for addressing four challenging clinical problems: evaluating treatment response in rectal cancers, identifying anatomical brain regions associated with autism spectrum disorders in early stages, identifying prostate areas with high probability of containing cancer, and identifying pathomic features that potentially reflect the tissue composition basis of radiomic descriptors towards improving the ability to discriminate the two main non-small cell lung cancers. For some clinical applications, we further assess the reproducibility of these features in a multi-site setting. (Texto tomado de la fuente)

El diagnóstico médico es fundamental para brindar a los pacientes el manejo más adecuado y definir cómo se debe llevar a cabo cualquier tratamiento. Durante años, el método para construir el conocimiento médico, determinar diagnósticos, planear y evaluar tratamientos ha sido impulsado por una combinación variable de intuición, experiencia clı́nica sistemática y racionalidad fisiopatológica. Este escenario hace que un paciente se vea expuesto a medicamentos o intervenciones quirúrgicas innecesarias. Por lo tanto, las decisiones clínicas deben estar respaldadas por evidencia en lugar de creencias o intuición de los expertos, lo que se traduce en biomarcadores provenientes de la expresión genética, niveles séricos o patrones de imágenes. Entre las fuentes de información disponibles, las imágenes médicas proporcionan evidencia estructural y funcional de la evolución de la enfermedad en el día a día, siendo la radiología y la patología las más utilizadas. La interpretación o integración de las observaciones de imágenes al diagnóstico, el pronóstico o el razonamiento del tratamiento se realiza mediante un conjunto de habilidades aprendidas por el médico. Sin embargo, no toda la información está fácilmente disponible, particularmente las imágenes pueden contener información que no es observable visualmente por un experto, pero probablemente útil en la cadena de procesos médicos, y definitivamente no está integrada en la mayoría de los escenarios clínicos. Recientemente, la extracción computarizada de características más avanzadas de imágenes radiológicas (radiómica) e histopatológicas (patómica) ha permitido mejorar la caracterización de la enfermedad en comparación con sólo la inspección visual. Por un lado, la mayoría de los análisis radiómicos limitan la cantidad de información a capturar observando únicamente la apariencia. Por lo tanto, es esencial capturar aspectos específicos del fenotipo de la enfermedad, es importante capturar patrones geométricos avanzados y es crucial integrar diferentes tipos de descriptores de imágenes médicas. Por otra parte, la complementariedad entre la radiología e histopatología, que enriquece la caracterización integral de la enfermedad, se pierde en muchos casos porque los análisis cuantitativos de estas modalidades se suelen realizar en silos desconectados. Por lo tanto, también es importante aprovechar la patómica para impulsar las caracterı́sticas radiómicas, y determinar las asociaciones entre ellas. En esta tesis, presentamos el desarrollo y la evaluación de descriptores radiómicos impulsados patológicamente al fenotipo de la enfermedad, así como la respuesta al tratamiento en imágenes radiológicas, para abordar desafíos específicos. Investigamos la utilidad de estos descriptores en cuatro problemas clı́nicos: evaluar la respuesta al tratamiento en cánceres de recto, identificar regiones anatómicas cerebrales asociadas con los trastornos del espectro autista, identificar áreas de próstata con alta probabilidad de contener cáncer, e identificar caracterı́sticas atómicas que potencialmente reflejen la base de composición tisular de los descriptores radiómicos para mejorar la capacidad de discriminar los dos subtipos principales de cánceres de pulmón de células no pequeñas. Para algunas de estas aplicaciones, evaluamos además la reproducibilidad de las caracterı́sticas usando conjuntos de datos que incluyen variabilidad en términos de campo magnético, sexo, estrategia de anotación, centro médico y fabricante de escáner.